本發(fā)明涉及聯(lián)邦學(xué)習(xí)，具體涉及基于tee和聯(lián)邦學(xué)習(xí)的數(shù)據(jù)共享方法及系統(tǒng)。

背景技術(shù)：

1、tee，即可信執(zhí)行環(huán)境(trusted?execution?environment)，是一種通過(guò)硬件和軟件共同構(gòu)建的隔離、安全的執(zhí)行環(huán)境。它允許代碼在隔離的、受保護(hù)的區(qū)域內(nèi)執(zhí)行，不受操作系統(tǒng)或其他軟件組件的干擾，從而提供更高層次的數(shù)據(jù)保護(hù)和安全性。而聯(lián)邦學(xué)習(xí)則是一種帶有隱私保護(hù)的分布式機(jī)器學(xué)習(xí)框架。它允許多個(gè)設(shè)備或計(jì)算節(jié)點(diǎn)在不共享原始數(shù)據(jù)的情況下進(jìn)行模型訓(xùn)練。具體來(lái)說(shuō)，各參與方在本地利用本地?cái)?shù)據(jù)進(jìn)行模型訓(xùn)練，并將模型的更新參數(shù)發(fā)送到中央服務(wù)器進(jìn)行聚合，從而構(gòu)建出更精準(zhǔn)的全局模型。

2、在當(dāng)前主流的聯(lián)邦學(xué)習(xí)算法中，通常會(huì)采用差分隱私、安全多方計(jì)算、同態(tài)加密等技術(shù)解決不同階段的安全計(jì)算問(wèn)題。其中，為了保障聯(lián)合建模過(guò)程中參數(shù)交互計(jì)算過(guò)程的安全性，通常會(huì)采用同態(tài)加密算法，實(shí)現(xiàn)預(yù)測(cè)模型的聯(lián)合確立。同態(tài)加密雖然在聯(lián)邦學(xué)習(xí)過(guò)程中凸顯出一定的優(yōu)勢(shì)，如提供了顯著的隱私保護(hù)效果，但仍然存在以下問(wèn)題：

3、1.同態(tài)加密操作相比于明文操作要復(fù)雜得多，這導(dǎo)致在處理大規(guī)模數(shù)據(jù)或進(jìn)行復(fù)雜計(jì)算時(shí)，同態(tài)加密會(huì)顯著增加計(jì)算資源的需求和處理時(shí)間，最終導(dǎo)致模型訓(xùn)練變得極為緩慢。

4、2.同態(tài)加密后的數(shù)據(jù)通常比原始數(shù)據(jù)大得多，這意味著在聯(lián)邦學(xué)習(xí)的過(guò)程中，需要在參與者之間傳輸更大的數(shù)據(jù)量，從而增加了通信開(kāi)銷。

5、3.在某些同態(tài)加密方案中，計(jì)算過(guò)程中會(huì)累計(jì)噪聲，如果噪聲管理不當(dāng)，過(guò)度的噪聲積累可能導(dǎo)致最終的學(xué)習(xí)結(jié)果精度下降或解密失敗。

6、綜上，現(xiàn)有的聯(lián)邦學(xué)習(xí)場(chǎng)景下存在采用同態(tài)加密導(dǎo)致的計(jì)算效率低、通信開(kāi)銷大、噪聲積累導(dǎo)致學(xué)習(xí)結(jié)果精度下降的技術(shù)問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、本申請(qǐng)?zhí)峁┝嘶趖ee和聯(lián)邦學(xué)習(xí)的數(shù)據(jù)共享方法及系統(tǒng)，用于針對(duì)解決現(xiàn)有技術(shù)中聯(lián)邦學(xué)習(xí)場(chǎng)景下存在采用同態(tài)加密導(dǎo)致的計(jì)算效率低、通信開(kāi)銷大、噪聲積累導(dǎo)致學(xué)習(xí)結(jié)果精度下降的技術(shù)問(wèn)題。

2、鑒于上述問(wèn)題，本申請(qǐng)?zhí)峁┝嘶趖ee和聯(lián)邦學(xué)習(xí)的數(shù)據(jù)共享方法及系統(tǒng)。

3、第一方面，本申請(qǐng)?zhí)峁┝嘶趖ee和聯(lián)邦學(xué)習(xí)的數(shù)據(jù)共享方法，所述方法包括：

4、獲取多個(gè)數(shù)據(jù)參與方，對(duì)所述多個(gè)數(shù)據(jù)參與方建立多個(gè)可信執(zhí)行環(huán)境；

5、在所述多個(gè)可信執(zhí)行環(huán)境創(chuàng)立多個(gè)執(zhí)行節(jié)點(diǎn)；

6、按照預(yù)定目標(biāo)智能模型特征，以所述多個(gè)執(zhí)行節(jié)點(diǎn)分別根據(jù)所述多個(gè)數(shù)據(jù)參與方的本地?cái)?shù)據(jù)樣本訓(xùn)練智能模型，得到多個(gè)本地智能模型；

7、基于所述多個(gè)數(shù)據(jù)參與方的數(shù)據(jù)共享請(qǐng)求進(jìn)行數(shù)據(jù)共享對(duì)象識(shí)別，得到共享識(shí)別參與組；

8、通過(guò)所述多個(gè)執(zhí)行節(jié)點(diǎn)將屬于所述共享識(shí)別參與組的多個(gè)本地智能模型的多個(gè)模型參數(shù)發(fā)送至中央聚合器進(jìn)行聚合，得到全局智能模型；

9、將所述全局智能模型返回至所述多個(gè)數(shù)據(jù)參與方。

10、第二方面，本申請(qǐng)?zhí)峁┝嘶趖ee和聯(lián)邦學(xué)習(xí)的數(shù)據(jù)共享系統(tǒng)，所述系統(tǒng)包括：

11、可信執(zhí)行環(huán)境建立模塊，用于獲取多個(gè)數(shù)據(jù)參與方，對(duì)所述多個(gè)數(shù)據(jù)參與方建立多個(gè)可信執(zhí)行環(huán)境；

12、執(zhí)行節(jié)點(diǎn)創(chuàng)立模塊，用于在所述多個(gè)可信執(zhí)行環(huán)境創(chuàng)立多個(gè)執(zhí)行節(jié)點(diǎn)；

13、模型訓(xùn)練模塊，用于按照預(yù)定目標(biāo)智能模型特征，以所述多個(gè)執(zhí)行節(jié)點(diǎn)分別根據(jù)所述多個(gè)數(shù)據(jù)參與方的本地?cái)?shù)據(jù)樣本訓(xùn)練智能模型，得到多個(gè)本地智能模型；

14、共享對(duì)象識(shí)別模塊，用于基于所述多個(gè)數(shù)據(jù)參與方的數(shù)據(jù)共享請(qǐng)求進(jìn)行數(shù)據(jù)共享對(duì)象識(shí)別，得到共享識(shí)別參與組；

15、全局智能模型獲得模塊，用于通過(guò)所述多個(gè)執(zhí)行節(jié)點(diǎn)將屬于所述共享識(shí)別參與組的多個(gè)本地智能模型的多個(gè)模型參數(shù)發(fā)送至中央聚合器進(jìn)行聚合，得到全局智能模型；

16、返回模塊，用于將所述全局智能模型返回至所述多個(gè)數(shù)據(jù)參與方。

17、本申請(qǐng)中提供的一個(gè)或多個(gè)技術(shù)方案，至少具有如下技術(shù)效果或優(yōu)點(diǎn)：

18、本申請(qǐng)?zhí)峁┑幕趖ee和聯(lián)邦學(xué)習(xí)的數(shù)據(jù)共享方法，通過(guò)獲取多個(gè)數(shù)據(jù)參與方，對(duì)所述多個(gè)數(shù)據(jù)參與方建立多個(gè)可信執(zhí)行環(huán)境；在所述多個(gè)可信執(zhí)行環(huán)境創(chuàng)立多個(gè)執(zhí)行節(jié)點(diǎn)；按照預(yù)定目標(biāo)智能模型特征，以所述多個(gè)執(zhí)行節(jié)點(diǎn)分別根據(jù)所述多個(gè)數(shù)據(jù)參與方的本地?cái)?shù)據(jù)樣本訓(xùn)練智能模型，得到多個(gè)本地智能模型；基于所述多個(gè)數(shù)據(jù)參與方的數(shù)據(jù)共享請(qǐng)求進(jìn)行數(shù)據(jù)共享對(duì)象識(shí)別，得到共享識(shí)別參與組；通過(guò)所述多個(gè)執(zhí)行節(jié)點(diǎn)將屬于所述共享識(shí)別參與組的多個(gè)本地智能模型的多個(gè)模型參數(shù)發(fā)送至中央聚合器進(jìn)行聚合，得到全局智能模型；將所述全局智能模型返回至所述多個(gè)數(shù)據(jù)參與方，解決了現(xiàn)有技術(shù)中聯(lián)邦學(xué)習(xí)場(chǎng)景下存在采用同態(tài)加密導(dǎo)致的計(jì)算效率低、通信開(kāi)銷大、噪聲積累導(dǎo)致學(xué)習(xí)結(jié)果精度下降的技術(shù)問(wèn)題，實(shí)現(xiàn)了一種高效且安全的數(shù)據(jù)共享方案，達(dá)到了在不犧牲安全性的前提下，確保了數(shù)據(jù)共享的高效率和可靠性的技術(shù)效果，并具有低通信開(kāi)銷、不犧牲精度等特點(diǎn)。

技術(shù)特征：

1.基于tee和聯(lián)邦學(xué)習(xí)的數(shù)據(jù)共享方法，其特征在于，包括：

2.如權(quán)利要求1所述的方法，其特征在于，基于所述多個(gè)數(shù)據(jù)參與方的數(shù)據(jù)共享請(qǐng)求進(jìn)行數(shù)據(jù)共享對(duì)象識(shí)別，得到共享識(shí)別參與組，包括：

3.如權(quán)利要求1所述的方法，其特征在于，所述多個(gè)執(zhí)行節(jié)點(diǎn)將屬于所述共享識(shí)別參與組的多個(gè)本地智能模型的多個(gè)模型參數(shù)發(fā)送至中央聚合器進(jìn)行聚合，得到全局智能模型，包括：

4.如權(quán)利要求3所述的方法，其特征在于，基于所述多個(gè)模型損失函數(shù)進(jìn)行迭代訓(xùn)練，得到所述全局智能模型，包括：

5.如權(quán)利要求3所述的方法，其特征在于，所述多個(gè)執(zhí)行節(jié)點(diǎn)將屬于所述共享識(shí)別參與組的多個(gè)本地智能模型的多個(gè)模型參數(shù)發(fā)送至中央聚合器進(jìn)行聯(lián)邦學(xué)習(xí)，包括：

6.如權(quán)利要求3所述的方法，其特征在于，將所述第一聚合模型返回至所述多個(gè)執(zhí)行節(jié)點(diǎn)，通過(guò)所述多個(gè)執(zhí)行節(jié)點(diǎn)利用本地?cái)?shù)據(jù)樣本對(duì)所述第一聚合模型進(jìn)行損失分析，得到多個(gè)模型損失函數(shù)，包括：

7.如權(quán)利要求1所述的方法，其特征在于，所述預(yù)定目標(biāo)智能模型特征包括模型輸入特征、模型輸出特征和模型網(wǎng)絡(luò)特征。

8.基于tee和聯(lián)邦學(xué)習(xí)的數(shù)據(jù)共享系統(tǒng)，其特征在于，用于實(shí)施權(quán)利要求1-7任一項(xiàng)所述的基于tee和聯(lián)邦學(xué)習(xí)的數(shù)據(jù)共享方法，所述系統(tǒng)包括：

技術(shù)總結(jié)
本申請(qǐng)?zhí)峁┑幕赥EE和聯(lián)邦學(xué)習(xí)的數(shù)據(jù)共享方法，涉及聯(lián)邦學(xué)習(xí)技術(shù)領(lǐng)域，通過(guò)對(duì)多個(gè)數(shù)據(jù)參與方建立可信執(zhí)行環(huán)境并在其中創(chuàng)立執(zhí)行節(jié)點(diǎn)；按照預(yù)定目標(biāo)智能模型特征，以執(zhí)行節(jié)點(diǎn)根據(jù)數(shù)據(jù)參與方的本地?cái)?shù)據(jù)樣本訓(xùn)練智能模型，得到本地智能模型；基于參與方的共享請(qǐng)求進(jìn)行共享對(duì)象識(shí)別，得到共享識(shí)別參與組；通過(guò)執(zhí)行節(jié)點(diǎn)將屬于共享識(shí)別參與組的本地智能模型的模型參數(shù)發(fā)送至中央聚合器進(jìn)行聚合，得到全局智能模型；將全局智能模型返回至多個(gè)數(shù)據(jù)參與方，解決了現(xiàn)有的聯(lián)邦學(xué)習(xí)采用同態(tài)加密導(dǎo)致的計(jì)算效率低、通信開(kāi)銷大、噪聲積累的技術(shù)問(wèn)題，達(dá)到了在不犧牲安全性的前提下，確保數(shù)據(jù)共享的高效率和可靠性的技術(shù)效果。

技術(shù)研發(fā)人員：房玉東,黃玉釧,佘笑梅,李振平,蔡亞飛,張偉,孫世超,李文廣,于衛(wèi)欣,楊博杰,劉文懋,高翔
受保護(hù)的技術(shù)使用者：應(yīng)急管理部大數(shù)據(jù)中心
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6